Los puntos clave no están disponibles para este artículo en este momento.
La inferencia bayesiana en redes neuronales profundas es un desafío debido al paisaje de densidad posterior de parámetros de alta dimensión y fuertemente multimodal. Los enfoques de Monte Carlo por cadenas de Markov recuperan asintóticamente la verdadera posterior, pero se consideran prohibitivamente costosos para arquitecturas modernas grandes. Argüimos que el dilema entre enfoques exactos pero inasequibles y baratos pero inexactos puede ser mitigado aprovechando las simetrías en el paisaje posterior. Mostramos teóricamente que la densidad predictiva posterior en redes neuronales bayesianas puede ser restringida a un conjunto de referencia de parámetros sin simetría. Al derivar además un límite superior sobre el número de cadenas de Monte Carlo requeridas para capturar la diversidad funcional, proponemos un enfoque directo para la inferencia bayesiana factible.
Wiese et al. (Fri,) estudiaron esta cuestión.